我正在编写一个程序,该程序读入许多文件,然后对其中的术语编制索引。我能够在python中将文件读入2d数组(列表),但后来我需要删除第一列中的重复项,并将索引存储在新列中,第一次出现重复的单词。
例如:
['when', 1]
['yes', 1]
['', 1]
['greg', 1]
['17', 1]
['when',2]
第一列是术语,第二列是它来自的DocID 我希望能够将其更改为:
['when', 1, 2]
['yes', 1]
['', 1]
['greg', 1]
['17', 1]
删除副本。
这是我到目前为止所做的:
for j in range(0,len(index)):
for r in range(1,len(index)):
if index[j][0] == index[r][0]:
index[j].append(index[r][1])
index.remove(index[r])
我在
处不断超出范围错误if index[j][0] == index[r][0]:
我认为这是因为我正在从索引中删除一个对象,因此它变得越来越小。任何想法将不胜感激 (是的,我知道我不应该修改原文,但这只是在小范围内测试)
答案 0 :(得分:3)
构建dict
/ defaultdict
类似的东西:
from collections import defaultdict
ar = [['when', 1],
['yes', 1],
['', 1],
['greg', 1],
['17', 1],
['when',2]]
result = defaultdict(list)
for lst in ar:
result[lst[0]].append(lst[1])
输出:
>>> for k,v in result.items():
... print(repr(k),v)
'' [1]
'yes' [1]
'greg' [1]
'when' [1, 2]
'17' [1]
答案 1 :(得分:1)
是的,您的错误来自修改列表。此外,您的解决方案对于长列表无效。最好使用字典,然后将其转换回最后的列表:
from collections import defaultdict
od = defaultdict(list)
for term, doc_id in index:
od[term].append(doc_id)
result = [[term] + doc_ids for term, doc_ids in od.iteritems()]
print result
# [['', 1], ['yes', 1], ['greg', 1], ['when', 1, 2], ['17', 1]]
答案 2 :(得分:0)
实际上,您可以使用range()
和len()
完成此操作。然而,python的优点是你可以直接迭代列表中没有索引的元素
查看此代码并尝试了解。
#!/usr/bin/env python
def main():
tot_array = \
[ ['when', 1],
['yes', 1],
['', 1],
['greg', 1],
['17', 1],
['when',2]
]
for aList1 in tot_array:
for aList2 in tot_array:
if aList1[0]==aList2[0] and aList1 !=aList2:
aList1.append(aList2[1])
tot_array.remove(aList2)
print tot_array
pass
if __name__ == '__main__':
main()
输出结果如下:
*** Remote Interpreter Reinitialized ***
>>>
[['when', 1, 2], ['yes', 1], ['', 1], ['greg', 1], ['17', 1]]